面向复杂场景的基于改进YOLOXs的安全帽检测算法

在工业生产过程中,安全帽是生产工人重要的安全保护工具.针对现有安全帽检测算法在复杂应用场景下对小目标、密集目标以及遮挡目标存在漏检、检测精度较低等问题,提出了一种基于YOLOX＿s的改进算法.首先,通过改进YOLOX＿s算法的模型结构,在原有网络结构的基础上新设立了一个预测特征层,其尺寸为160×160,该预测特征层通过将高层语义信息和低层传递的位置信息进行有效融合来预测小目标;其次,针对复杂的安全帽检测环境,将obj＿loss的BCE＿Loss改为Focal＿Loss,即用Focal＿Loss来训练obj分支来降低漏检;最后,将CSP1＿X中的残差块改为shuffleNet基本单元以缩减参数量.改进后的算法mAP和recall分别提高了1.25%和2.32%,参数量缩减为3.61MB.改进后的算法有效降低了复杂环境下安全帽的漏检率和提高了检测精度,对实际生产过程中保障企业和工人的生命财产安全起到了一定的促进作用.